Estimating illegal and unreported catches from marine ecosystems: a basis for change
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract To evaluate the impacts of fishing on marine ecosystems, the total extraction of fish must be known. Putting a figure on total extraction entails the difficult task of estimating, in addition to reported landings, discards, illegal and unmandated catches. Unreported catches cast various types of shadow, which may be tracked and estimated quantitatively. Some shadows of unreported catches are reviewed, for example, an innovative, well‐funded NGO publicizes illegal catch in the Southern Ocean. For various reasons, official figures often have the implicit but unacceptable assumption that such categories are null. We present an estimation procedure based on adjustment factors taken from observer reports, correspondents and published information that track changes in a regulatory regime, and hence reflect incentives and disincentives to misreport. Monte Carlo simulations address uncertainty using multiple sources of information to provide upper and lower estimates. Once in place, this method provides preliminary estimates that may be refined without disruption. The method is demonstrated for fisheries in Iceland and Morocco. We use a ‘by‐species’ approach for Icelandic cod and haddock, while the Moroccan catch is divided into demersal and pelagic categories. Results suggest that Icelandic cod catches may have been underestimated by between 1 and 14% at different times, and haddock by between 1 and 28%. Underestimation of Moroccan catches appears to have been as much as by 50%. These case studies show that it is possible to obtain estimates of misreporting, even when direct data are lacking. Our method encourages transparency because sources of information are presented so that uncertain values are easily identified, offering a basis for comment, collaboration and refinement in estimating illegal and unreported fishing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle